Navigation Autonomer Mobiler Systeme

Navigation Autonomer Mobiler Systeme
Füßgängernavigation Veranstalter Prof. Dr. Bernd Krieg-Brückner Dr. Bernd Gersdorf Hoang Thach Vu Saber Bedoui Bremen ghfghfghfgh

Navigation Autonomer Mobiler Systeme Füßgängernavigation
Inhalt: Anwendungsbereiche Besonderheiten Positionierungsteknik Algorithmen für Polygonen & Graphen im Innenraum 4.1 Angepasste Umgebungsmodellierung 4.2 Lösungsansatz 4.3 Optimierter Ansatz 5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell ghfghfghfgh

Anwendungsbereichen Tourismus Freizeit Navigationshilfe für Behinderte und ältere Menschen, etc. ghfghfghfgh

2. Besonderheiten Füßgänger bewegen frei & nicht streng an Straßen gebunden → schwer zu realisieren Erfordert umfangreichen Datenbestand und Modellierung aller möglichen Gehwege Benötigt einige Modifikationen an Daten: Füßgänger brauchen mehr Detailinformationen Straßen nicht als Kanten sondern als Gehwege dargestellt Objekte wie Füßgängerzonen,Platzüberquerungen, Ampel,Bahn,Busse,Unter-, Überführungen,Parks, dynamische Daten, Objektebezogene Informationen werden berücksichtigt ghfghfghfgh

2. Besonderheiten Genauigkeit : Füßgänger legt kleinere Distanzen zurück . Durch geringere Geschwindigkeit und größeres Blickfeld mehr Details in der Umgebung wahrnehmen → Hohe Speicherkapazität erforderlich und Rechenleistung, die bei tragbaren PCs beschränkt ist Erhöht sich Anfoderung an Genauigkeit der Positionisierungsverfahren. ghfghfghfgh

2. Besonderheiten ghfghfghfgh

2. Besonderheiten Abbildung 3: Besonderheiten der Füßgängernavigation beim Überquenren größer Plätze ghfghfghfgh

2. Besonderheiten Abbildung 4: Füßgänger benutzen in Gebäuden nicht den mathematischen kürzesten Weg ghfghfghfgh

3. Positionierungstecknik Bestimmt die Position kontinuierlich Wichtige Kriterien: Transportfähigkeit Hohe Positionsgenauigkeit Fahrzeugnavisys verwendet relative Sensoren zur Positionierung Aber bei Füßgängern ist schwer zu verwirklichen → Realisiert mit absoluter Positionierung Zusätzlich werden Bewegungssensoren verwendet wie zB. Schrittzähler ghfghfghfgh

3. Positionierungstecknik Absolute Sensoren: liefern direkt eine oder mehrere Komponenten der aktuellen dreidimensionalen Position des Nutzers GNSS (Global Navigation Satellite System): Sehr hohe Genauigkeit Sehr exakte Punktbestimmung (< 1m) Nachteile : Die Abschattung der Signale durch Gebäude und der Einfluss des Mehrwegeffektes Speziell negative Auswirkung auf die Positionslösung in bebauten Gebieten ghfghfghfgh

3. Positionierungstecknik Absolute Sensoren: GNSS : Um zu überdecken und kontinuierliche Positionierung zu ermöglichen müssen noch weitere Sensoren verwendet werden Abbildung 24 : Abschattung und Mehrwegeffekt eines GNSS (Plasinski et al., 2000) ghfghfghfgh

3. Positionierungstecknik Absolute Sensoren: LPS: (Local Positioning System) Ähnlich wie GPS, verwendet zur Positiobestimmung in Gebäuden Positionslösung wird bestimmt mittels Distanzmessung zwischen mehreren Sendern und Antennen. Die Empfänger sind direkt im Gebäude installiert Die Sender sind von den Nutzern mitzuführen Höhenbestimmung, etc… ghfghfghfgh

3. Positionierungstecknik Relative Sensoren: Zum Messen den zurückgelegte Weg, Geschwindigkeit, Richtung sowie die räumliche Ausrichting und die Beschleunigung ghfghfghfgh

4.1 Angepasste Umgebungmodellierung Die Darstellung der Umgebung mit Knoten und Kanten nicht ausreichend Zu ermöglichen beliebigen Weg muss das Modell alle begehbaren Flächen beschreiben und darf diese nicht zu Strecken vereinfachen Mit Editor Yamamoto können solche Umgebungsmodell erstellt werden Die Kannte besitzen Attribute wie : begehbar für Füßgänger oder nicht begehbar. ghfghfghfgh

4.1 Angepasste Umgebungmodellierung Abbildung 5 : Beispiel für polygonbasiertes Umgebungsmodell ghfghfghfgh

4.2 Algorithmen für Polygonen und Graphen Wichtig sind das Ergebnis (kürzer und schöner Weg), sowie Laufzeit und Speicherplatzverbrauch Grundsätzliche Frage: Polygon- oder graphbasierter Algorithmus besser geeignet? Polygonbasierte Algorithmen: Wird verwendet wenn die Modelle nicht als Graph vorlagen, sondern als ein Netz von Polygonen. (Abbildung 5) ghfghfghfgh

4.2 Algorithmen für Polygonen und Graphen Graphenbasierte Algorithmen: Algorithmen für die Wegsuche in folgende Graphen Abbildung 6: Wegsuche auf dem Campus der Universität Saarbrücken ghfghfghfgh

4.2 Algorithmen für Polygonen und Graphen Graphbasierte informierte Suche: Graphbasierter Algorithmus, der zielgerichtet sucht und immer den kürzesten Weg findet Ziel: aus vorhandenen polygonbasierten Umgebungsmodellen die Wegenetz-Graphen zu erzeugen Zu finden einen “schönen” Weg muss der Wegenetz-Graph möglichst detailiert sein. Aber nicht viele Wegpunkte und Wegkanten um die Suche effizient durchzuführen ghfghfghfgh

4.2 Algorithmen für Polygonen und Graphen Graphbasierte informierte Suche: Abbildung 7 : Erzeugung der Wegpunkte durch ein Rasterverfahren ghfghfghfgh

4.3 Lösungsansatz zur Generierung von Wegenetzgraphen Rasterbasierter Ansatz: Erzeugt Wegpunkte in gleichmäßigen Abständen Wegpunkte: Wegpunkte werden nur innerhalb von Polygonen erzeugt Nur modellierte Flächen sind begehbar Wekkanten: Nur 2 direkt benachbarte Wegpunkte werden verbunden um die Anzahl der Wegkante gering zu halten. Sofern keine Wandkante geschnitten wird ghfghfghfgh

4.4 Optimierter Ansatz Wegpunkte: Werden nur erzeugt wenn Bewegungsrichtung geändert wird Beim Übergang von einem Polygon ins nächste (bei der Überquerung von begehbaren Polygonkanten) Bei Bewegungen innerhalb eines Polygons, das nicht konvex ist (beim Umlaufen einer Polygonecke, die einen Winkel von mehr als 180 Grad einschließt) Wegkanten: Zwischen 2 Wegpunkten wird eine Wegkanten erzeugt wenn zwischen beiden Punkten eine Sichtlinie besteht (schneidet keine Wandkante) ghfghfghfgh

4.4 Optimierter Ansatz Abbildung 8: Optimierte Erzeugung der Wegpunkte nur an relevante stellen ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Die Umgebung(THI Graph)‏ Kognitive Karte(THI filter)‏ Arbeitsspeicher Landgraph Speicher controller Abbildung 9: Navigation system architecture ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Füßgängervorstellung Menschliche Denkweise Personelle Vision Virtuelle Objekt Abbildung 10: Füßgänger ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Konstruktion von Polygonen Ein sehr einfache Kreuzung Geometrische Figuren (Polygonen)‏ Topologische Verbindung Semantische Bedeutung Abbildung 11: Polygon ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Umgebung (THI Graph) Diese Graph spielt die Rolle von Datenbank Globale Oberflächen Einfache Oberflächen Berechnung von Kern und Umfang Abbildung 12: hierarchical topologische Graph ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Berechnungen von Polygonen Komplizierte Algorithmus Unterscheidung zwischen Gebäuden und freien Oberflächen Je stärker die Farbe ist desto integrierter die Oberfläche ist Abbildung 13: polygonen radiation Abbildung 7: Polygon ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Kognitive Karte(THI filter)‏ Speicherung von Daten in die kognitive Karte Filterung von die Daten Aktivierung von Daten Abbildung 14: spatial kognitive map ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Lokalen Oberflächen: Generator : Generierung von Lokalen Oberflächen Ein beschränkte Vision zu bekommen Abbildung 15: lokale Oberfläche ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Verbindung zwischen THI Graph und THI Graph Filter Abbildung 16: Einfügen von lokaler Oberfläche ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Speicher Model Semantische Speicher(IHT Graph)‏ Associative Speicher (Landgraph)‏ Arbeitspeicher Speicher Kontroller Abbildung 17: Navigation System Architektur ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Verschieden Situationen beim Weg finden Bekannte und erkannte Oberflächen Bekannte und aufgerufene Oberflächen Bekannte und nicht aufgerufene Oberflächen Unbekannte Oberflächen Abbildung 18: Parameter von Speicher Oberflächen ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Datenübertragung zum Arbeitsspeicher Abruf Test Erkennungstest Aktivierung Der Transfer zum Arbeitsspeicher Abbildung 19: Speicherkontoller ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Abbildung 20: Weg erzeugen von Anfang bis ende ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Assoziative Speicher (Landgraph) Landmark Referenz Punkt für jede einfache Oberfläche Landgraph ist eine Sammlung von referenzierte einfache oberflächen . Speicherung in Arbeitsspeicher Abbildung 21: Die Rolle von Landgraph ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Navigation(1)‏ Verschiedene Lokale oberflächen durch Lern Wege suchen Abbilung 22 : Erste vier Navigation ghfghfghfgh

5. Räumliche kognitive Landkarte und ein Human-Like Gedächtnis-Modell Navigation(2)‏ 53 einfache Oberfläche Landgraph besteht aus 26 Landmark (Referenzpunkt)‏ Abbildung 23: fertige Karte ghfghfghfgh

Navigation Autonomer Mobiler Systeme

Ähnliche Präsentationen

Präsentation zum Thema: "Navigation Autonomer Mobiler Systeme"— Präsentation transkript:

Ähnliche Präsentationen

Über Projekt

Feedback

Anmelden

Anmeldung über soziales Netzwerk:

Navigation Autonomer Mobiler Systeme

Ähnliche Präsentationen

Präsentation zum Thema: "Navigation Autonomer Mobiler Systeme"— Präsentation transkript:

Ähnliche Präsentationen

Über Projekt

Feedback